Thank you for sending your enquiry! One of our team members will contact you shortly.
Thank you for sending your booking! One of our team members will contact you shortly.
Návrh Školení
Úvod
- Přizpůsobení osvědčených postupů vývoje softwaru strojovému učení. MLflow vs Kubeflow -- kde svítí MLflow?
Přehled cyklu Machine Learning
- Příprava dat, školení modelu, nasazení modelu, obsluha modelu atd.
Přehled MLflow Funkce a architektura
- MLflow Sledování, MLflow Projekty a MLflow Modely Použití rozhraní příkazového řádku MLflow (CLI) Navigace v uživatelském rozhraní MLflow
Nastavení MLflow
- Instalace do veřejného cloudu Instalace na místní server
Příprava vývojového prostředí
- Práce s notebooky Jupyter, Python IDE a samostatnými skripty
Příprava projektu
- Připojení k datům Vytvoření predikčního modelu Trénink modelu
Použití MLflow Sledování
- Protokolování verzí kódu, dat a konfigurací Protokolování výstupních souborů a metrik Dotazování a porovnávání výsledků
Běžící MLflow projekty
- Přehled syntaxe YAML Role úložiště Git Balení kódu pro opětovné použití Sdílení kódu a spolupráce se členy týmu
Ukládání a poskytování modelů pomocí MLflow modelů
- Výběr prostředí pro nasazení (cloud, samostatná aplikace atd.) Nasazení modelu strojového učení Obsluha modelu
Pomocí registru modelů MLflow
- Nastavení centrálního úložiště Ukládání, přidávání poznámek a objevování modelů Společná správa modelů.
Integrace MLflow s jinými systémy
- Práce s MLflow pluginy Integrace s úložnými systémy třetích stran, poskytovateli ověřování a rozhraními REST API Pracovní Apache Spark – volitelné
Odstraňování problémů
Shrnutí a závěr
Požadavky
- Python zkušenosti s programováním
- Zkušenosti s frameworky a jazyky strojového učení
Publikum
- Datoví vědci
- Inženýři strojového učení
21 hodiny
Reference (1)
the ML ecosystem not only MLFlow but Optuna, hyperops, docker , docker-compose